1. Home
  2. Lainnya

Operator Fuzzy Fuzzifikasi Defuzzifikasi

23 dengan fungsi keanggotaan 2.3.3

3. Operator Fuzzy

Salah satu operator dasar yang diciptakan oleh Zadeh Kusumadewi Hartati, 2010 : 175 yaitu Operator Dasar Zadeh. Dalam operator ini terdapat beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi dua himpunan disebut fire strength atau -predikat. Tiga operator dasar yang dikemukakan oleh Zadeh, yaitu: a. Operator AND Operator AND berhubungan dengan interseksi pada himpunan. -predikat merupakan hasil operasi dengan operator AND yang diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. Hasil operasi ini didefinisikan sebagai berikut: b. Operator OR Operator OR berhubungan dengan operasi union pada himpunan. - predikat merupakan hasil dari operasi OR yang diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan yang bersangkutan. 24 Hasil operasi ini didefinisikan sebagai berikut: c. Operator NOT Operator NOT berhubungan dengan operasi komplemen himpunan. - predikat merupakan hasil operasi dengan operator NOT yang diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. Hasil operasi ini didefinisikan sebagai berikut:

4. Fuzzifikasi

Fuzzifikasi merupakan suatu proses untuk mengubah input yang bernilai crisp menjadi derajat keanggotaan yang bernilai fuzzy. Pada tahap ini diperoleh nilai derajat keanggotaan masing-masing data pada himpunan fuzzy dengan menggunakan fungsi keanggotaan masing-masing himpunan fuzzy tersebut Wang, 1997:7.

5. Defuzzifikasi

Defuzzifikasi merupakan proses akhir untuk mengubah output yang bernilai fuzzy menjadi suatu nilai crisp. Hasil output berupa bilangan pada domain himpunan fuzzy tertentu, sehingga harus diambil suatu nilai crisp tertentu sebagai output. Terdapat beberapa metode defuzzifikasi pada komposisi aturan Mamdani Kusumadewi Purnomo, 2010. 25 1 Metode Mean of Maximum Mean Solusi tegas diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum. 2 Metode Largest of Maximum Max Solusi tegas diperoleh dengan cara mengambil nilai maksimum domain yang memiliki nilai keanggotaan maksimum. 3 Metode Smallest of Maximum Min Solusi tegas diperoleh dengan cara mengambil nilai minimum domain yang memiliki nilai keanggotaan maksimum.

D. Neural Network

Dokumen yang terkait

Implementasi Algoritma Evolving Fuzzy Neural Network (EFuNN) Untuk Memprediksi Biaya Perkuliahan

18 135 79

Speech Recognition Using Radial Basis Function Neural Network.

0 3 24

DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER.

3 8 180

PENERAPAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA.

11 20 268

OPTIMASI FUZZY BACKPROPAGATION NEURAL NETWORK DENGAN ALGORITMA GENETIKA UNTUK MEMPREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA.

2 15 194

MODEL FUZZY NEURAL NETWORK UNTUK MEMPREDIKSI KEDATANGAN WISATAWAN MANCANEGARA DI BANDARA INTERNASIONAL ADI SUCIPTO YOGYAKARTA.

0 1 52

PEMODELAN RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) PADA DATA WISATAWAN MANCANEGARA DI D. I. YOGYAKARTA.

10 20 34

Peramalan Banyak Kasus Demam Berdarah Di DI Yogyakarta dengan Model Radial Basis Function Neural Network.

0 0 98

PREDIKSI HARGA KOMODITAS PERTANIAN MENGGUNAKAN HYBRID ALGORITMA JARINGAN SYARAF TIRUAN ARSITEKTUR RADIAL BASIS FUNCTION (RBF) DENGAN ALGORITMA GENETIKA PREDICTION OF AGRICULTURAL COMMODITIES PRICE USING HYBRID RADIAL BASIS FUNCTION NEURAL NETWORK WITH GEN

0 0 8

ADAPTIVE GENETIC ALGORITHM (AGA) RADIAL BASIS FUNCTION (RBF) NEURAL NETWORK

0 3 82